关键字 |
人工神经网络、电力质量、S-transform Wavelettransform。 |
介绍 |
电能质量问题的一个主要问题,近年来由于大量使用电力电子装置和非线性负荷在电力系统,因此敏感检测和准确的电力扰动分类。监控各种电能质量问题[5],[1]不同的技术可用像傅里叶变换,短时傅里叶变换和小波变换。短时傅里叶变换)是最常用的。这种变换已成功用于固定信号特性的信号不进化。对于非平稳信号,STFT没有跟踪信号动力学正确由于固定窗宽度的限制。因此,STFT不能成功地使用瞬态信号的高、低频率成分。小波分析[2]是基于根据时标信号的分解,而不是频率。它使用多分辨率分析技术。小波变换[4]代表了信号在时间频率格式但频率信息在特定的时间点。S-transform[6]技术获得的乘法连续小波变换的相位校正因子,介绍了时间频率信号定位[9]。 This technique is also used for the feature extraction which will be given as input to the artificial neural network [3]. |
提出了25 kv配电网的电压凹陷四个电能质量问题,电压膨胀,瞬态和谐波检测。每个电能质量扰动的样本是几百和小波变换的特征提取做了和s-transform编程方法。细节系数获得s-transform和小波变换的分类器。反向传播算法和概率神经网络已经被使用。所以S-transform提出基于概率神经网络分类器有效地将电能质量问题相比以前的傅里叶变换,短时傅里叶变换和小波变换。 |
小波变换多分辨率分析 |
在多分辨率分析(MRA)[7],小波函数和尺度函数作为构建块分解和构造信号在不同分辨率的水平。小波函数将生成的详细版本分解信号构成高通数字滤波器和尺度函数将生成的近似版本分解信号构成低通数字滤波器。 |
让c0 (n)是一个离散时间信号记录从物理测量装置。这个信号分解成一个详细和平滑表示。从MRA技术、大规模分解信号1 c1 (n)和d1 (n),其中c1 (n)是原始信号的平滑版本(或近似),和d1 (n)的详细表示原始信号c0 (n)形式的小波变换系数。 |
(1) |
(2) |
在h (n)和g (n)的相关滤波器系数分解c0 (n)在c1分别(n)和d1 (n)。这意味着在第一阶段分解原始信号分为两半的频率带宽。上级规模现在是基于信号分解c1 (n)。2是由分解信号的尺度 |
(3) |
(4) |
高尺度分解以同样的方式执行如上所述。因此重复这个过程,直到信号分解到一个预定义的一定水平。的信号从而达到表示相同的原始信号,但所有对应于不同的频段。 |
小波变换或S-TRANSFORM修改 |
通过使用s-transform振幅矩阵[8]Max-Curve, Fund-Curve, Std-Curve,曲线的绘制。对电能质量扰动分类,以下重要特征提取S-transform振幅扰动信号的矩阵。 |
C1:主要频率数,等于Max-Curve数目的峰值。所以c1 = 1凹陷,膨胀,c1 > 1谐波和瞬态。 |
C2:如果有一个峰值在基频附近的STD-Curve C2 C2其他= 1 = 0。 |
C3:如果附近有一个峰值的高频分量STD-Curve那么其他C3 = 1 C3 = 0。 |
C4:意味着FUND-Curve获得如下 |
(5) |
k是抽样统计,T是采样的时间间隔,f1是基频,f = 50 hz, T = 1 / (50 * 100)。 |
C5:凹陷的程度和膨胀。发现的地点FUND-Curve min和max。 |
ijareeie - 578 e006。gif " alt = "图像"宽度= " 254 "高度= " 66 " / > (6) |
(7) |
C5是Rmin /征求凹陷和征求/ Rn膨胀。Rn在哪里正常信号的均方根。 |
电能质量事件检测 |
电能质量扰动信号的生成在matlab仿真软件使用无花果所示图:1。25 kv配电网的三相负载和非线性负载,各种电能质量扰动电压凹陷、膨胀,瞬变和谐波模拟。模拟细节:仿真总时间= 1秒,观察= 50的周期数。 |
凹陷在0.2秒和0.6秒的瞬间电压波形将下降到80%或90%的原始值,以及故障的严重程度可以改变基于抗故障能力。比例膨胀的特殊波形可以改变通过改变无功功率消耗通过三相断路器连接的电容器。瞬变的严重程度由电容性负载电容的变化。电压瞬态出现在0.2 and0.24sec谐波之间通过连接生成一个非线性负载分配系统。产生谐波可以由给定的发射角控制的同步脉冲发生器的输入。 |
小波变换的电能质量扰动分析。 |
小波变换分析进行了凹陷波形通过考虑debachies-4母亲五层次分解小波。5级分解为五个细节系数。细节系数的标准差为每个不同的电能质量扰动。是剩余干扰如下所示。 |
通过加载膨胀样品收集系统的小波变换,通过分析上面的图可以获得和增加信号检测的开始和结束点的信号小波提取显示细节。 |
两个周期的过渡时期是0.2秒到0.24秒的生成和小波工具和细节系数取得了几百个样品,给分类器。 |
我们观察到的小波变换分析所有的电能质量扰动信号凹陷,膨胀和瞬变有高频分量的开始和结束发生但在谐波的情况下是不同的,所有的低频和高频分量在场,振幅高频率成分的瞬变,而不是下垂和膨胀 |
S-TRANSFORM电能质量扰动的分析 |
图7 b是一个基金曲线显示基本frequency-amplitude曲线显示STA基本频率。基金价值曲线凹陷期间小于正常的资金曲线的平均值。 |
在Fig8b膨胀高于正常的电压,因此Max-curve只有一个峰值信号包括只有一个主要的频率分量。膨胀期间Fund-curve值高于正常的平均值。 |
基金曲线显示RMS值大于正常曲线是发现有一个高频组件。观察最大值曲线有两个峰值在基频附近,是短暂的 |
因为网络我们可以观察到非线性负载的谐波如无花果所示。在上面显示fig10 Max-curve因此有三个峰值信号包含三个主要频率成分。 |
电能质量问题的分类 |
最重要的部分电能质量扰动的分类使用神经网络是神经网络的训练。收集的样本标准差四个电能质量问题的小波分析是四百卡路里。2000年标准差为四百的信号。 |
答:反向传播神经网络的训练 |
图11显示了神经网络的结构和训练。网络用于这一特定问题是前馈反向传播这个创建网络的权重将初始化随机值,规则中使用这个网络是基于梯度下降法的规则”的错误纠正权重”,在一个迭代神经网络融合。这里的目标是0.0001。 |
概率神经网络的训练 |
并通过网络的结构所示fig12其中包含两层称为径向基层和竞争层。从S-transform特性分析作为对所测试的输入和输出0和1是二进制值。神经网络学习速度常数为0.1进行分类器的性能 |
分类器的性能可以通过测试评估训练神经网络。训练神经网络用于测试,为此100模式被应用到神经网络,结果如图13所示。 |
上面的图显示了电能质量问题的分类使用基于波变换的反向传播算法和电压凹陷的电能质量问题,膨胀和谐波电压分类,但分类器未能分类瞬态干扰。 |
通过观察波形fig13和图14所示的电能质量扰动分类的准确性达95%。基于小波的前馈反向传播神经网络和99%的准确率基于s-transform概率神经网络更好的精度。 |
结论 |
本文提出了应用小波变换和S-transform结合安技术。这与time_varing振幅分析了电压畸变的可视化。S-transform基于概率神经网络显示明显的优势相比,基于小波变换的反向传播算法。 |
表乍一看 |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
表2 |
|
|
数据乍一看 |
![Click Here 图1](//www.cheescube.com/articles-images/IJAREEIE-578-g001.gif) |
![Click Here 图2](//www.cheescube.com/articles-images/IJAREEIE-578-g002.gif) |
![Click Here 图3](//www.cheescube.com/articles-images/IJAREEIE-578-g003.gif) |
![Click Here 图4](//www.cheescube.com/articles-images/IJAREEIE-578-g004.gif) |
![Click Here 图5](//www.cheescube.com/articles-images/IJAREEIE-578-g005.gif) |
图1 |
图2 |
图3 |
图4 |
图5 |
![Click Here 图6](//www.cheescube.com/articles-images/IJAREEIE-578-g006.gif) |
![Click Here 图7](//www.cheescube.com/articles-images/IJAREEIE-578-g007.gif) |
![Click Here 图8](//www.cheescube.com/articles-images/IJAREEIE-578-g008.gif) |
![Click Here 图9](//www.cheescube.com/articles-images/IJAREEIE-578-g009.gif) |
![Click Here 图10](//www.cheescube.com/articles-images/IJAREEIE-578-g010.gif) |
图6 |
图7 |
图8 |
图9 |
图10 |
![Click Here 图11](//www.cheescube.com/articles-images/IJAREEIE-578-g011.gif) |
![Click Here 图12](//www.cheescube.com/articles-images/IJAREEIE-578-g012.gif) |
![Click Here 图13](//www.cheescube.com/articles-images/IJAREEIE-578-g013.gif) |
![Click Here 图14](//www.cheescube.com/articles-images/IJAREEIE-578-g014.gif) |
图11 |
图12 |
图13 |
图14 |
|
|
引用 |
- 张)。,GengZhongxing., and GeYaozhong., “FFT algorithm with high accuracy for harmonic analysis in power system,“中国电机工程学报,19卷,3号,pp.63 - 66, 1999。
- 叙利娅Santoso。,Edward J. Powers., Mack Grady and Peter Hofmann, “Power Quality Assessment via Wavelet Transform Analysis,” IEEE Trans. On Power Delivery, Vol. 11, No. 2, April 1996, pp. 924-930.
- Darte g·塞萨尔。,织女星。g . Valdomiro Ordonez p·加布里埃尔。,“Automatic Power Quality Disturbances Detection and Classification Based on Discrete Wavelet Transform and Artificial Intelligence,” IEEE/PES Transmission and Distribution Conf. and Exposition: Latin America 2006, Aug. 2006, pp. 1-6.
- gae Zwe-Lee。,“Wavelet-based neural network for power disturbance recognition and classification,” IEEE Trans. on Power Delivery, vol.19,no 4, pp.1560-1568, 2004.
- Kezunovic。,Mladen and Liao Yuan., “A novel software implementation concept for power quality study,” IEEE Trans. on Power Delivery, vol.17,no 2, pp.544-549, 2002.
- w·c·李和p . k .破折号。,“S-transform-based intelligent system for classification of power quality disturbance signals,” IEEE Trans. On Industrial Electronics, vol. 50 no 4, pp. 800-805, 2003.
- m . v . Chilukuri p . k .破折号,“多分辨率S-transform-based模糊识别系统电能质量事件,“IEEE反式。对权力交付,vol.19,没有1,pp.323 - 330, 2004。
- r·g·斯托克。l . Mansinha。,and R. P. Lowe., “Localization of the Complex Spectrum:S变换”,IEEE反式。在信号处理、44卷,4号,pp.998 - 1001, 1996。
- p . k .破折号。,B. K. Panigrahi., D. K. Sahoo., and G. Panda, “Power quality disturbance data compression, detection, and classification using integrated spline wavelet and S-transform,” IEEE Trans. on Power Delivery, vol. 18, no 2, pp.406-411,2003.
|